사진 왼쪽부터 서울대병원 김영곤 교수·김이삭 연구원, 분당서울대병원 공성혜 교수.

고관절 골절 환자의 재골절 위험을 간편하게 예측할 방법이 제시됐다. 국내 연구진이 개발한 딥러닝 예측 모델이 5년 이내의 단기 고관절 재골절 위험을 우수한 정확도로 예측해냈다. 이는 고관절 골절의 맞춤형 관리 및 치료전략 수립에 도움을 줄 것으로 기대된다.

서울대병원 융합의학과 김영곤 교수·의생명연구원 김이삭 연구원, 분당서울대병원 내분비대사내과 공성혜 교수 연구팀이 고관절 골절 환자 1480명의 CT 영상을 기반으로 단기 재골절 위험 예측 모델을 개발하고, 정확도를 검증한 결과를 17일 발표했다.

고관절 골절 환자는 재골절 위험이 높고, 특히 첫 골절 후 평균 2~4.3년 사이 재골절이 발생한다고 알려졌다. 따라서 단기적 재골절 위험을 예측하고 고위험군을 모니터링하는 것이 중요한데, 기존 골절 예측 도구(FRAX 등)들은 단기 예측에 한계가 있어서 새로운 예측 방법이 필요한 상황이었다.

연구팀은 단기 재골절 위험도 예측 모델을 개발하기 위해 근육과 뼈의 조성 상태를 파악할 수 있는 ‘고관절 CT 영상’에 주목했다.

2004년 1월부터 2020년 12월까지 골절로 내원한 1012명의 고관절 CT 영상을 재구성하여 정면·측면·횡단면 영상을 생성했다. 이후 각 영상의 특징을 추출한 뒤, 이를 조합해 산출한 재골절 위험 자유도(재골절이 발생하지 않을 확률)를 생존곡선 형태로 표현하는 앙상블 딥러닝 모델을 설계했다.

또한 전체 환자를 분석하여 CT 촬영 후 경과한 시점별로 ‘기준값’을 설정했다. 이 기준값보다 위험 자유도가 낮아지면 재골절 발생 가능성이 높아진다. 따라서 기준값 곡선과 환자의 생존곡선을 비교하여 생존곡선이 기준값  곡선보다 낮아지는 시점을 재골절 발생 시점으로 예측할 수 있다.

연구팀 개발 딥러닝 모델의 구조도. 고관절의 정면, 측면, 횡단면 방사선 사진을 분석하고 이를 조합해 산출한 재골절 위험 자유도를 생존곡선으로 형태로 표현함. 환자의 생존곡선(파란 선)이 기준값 곡선(빨간 선) 보다 낮아지는 시점을 재골절 발생 시점으로 예측할 수 있음.

추가로 고관절 골절 환자 468명을 대상으로 성능을 테스트한 결과, 단기 재골절을 예측하는 앙상블 딥러닝 모델의 예측 정확도(AUROC)는 약 0.74로 높았다.(2년·3년·5년내 재골절 예측 정확도 각각 0.74, 0.74, 0.73) AUROC는 1에 가까울수록 우수한 예측 성능을 나타낸다. 

이는 임상정보 및 골밀도에 기반한 기존 FRAX 예측 도구보다 뛰어난 성능이었다. FRAX의 2년·3년·5년내 재골절 예측 정확도는 각각 0.58, 0.64, 0.70였다.

이 결과를 바탕으로 연구팀은 CT 기반 딥러닝 예측 모델이 5년 미만의 단기 재골절 위험도를 정확히 예측할 수 있다고 강조했으며, 이는 고관절 골절을 경험한 환자들의 관리 및 치료전략 수립에 활용될 수 있을 것이라고 설명했다.

김영곤 교수(제1저자)는 “연구팀이 개발한 딥러닝 모델을 활용하면 재골절 고위험군을 적극적으로 식별하는 데 도움이 될 것”이라며 “이런 고위험군에게는 골다공증약 처방, 지속적 모니터링, 조기 재활 등을 실시하여 고관절 골절로 인한 낙상 위험을 완화시킬 수 있을 것이다”고 말했다.

한편, 이번 연구는 영상의학분야 국제학술지 ‘래디올로지(Radiology, IF;19.7)’에 지난 1월 게재됐다.